负相关集成神经网络及其在故障诊断中的应用
  • 【摘要】

    机械设备故障诊断的实质是根据各种信息对设备运行状态的模式进行分类识别.在此过程中选择合适的诊断方法非常重要.机械系统的非线性特点非常明显,且受到多种因素和条件的影响和制约.而神经网络常用于处理非线性和不确定过程,将其应用于故障诊断中的模式识别,是具有实用性的故障诊断方法. 目前神经网络用于故障诊断通常采用单一网络,以故障的时域或频域信号特征作为输入量.但此过程中神经网络存在泛化能力弱以及故障特征不... 展开>>机械设备故障诊断的实质是根据各种信息对设备运行状态的模式进行分类识别.在此过程中选择合适的诊断方法非常重要.机械系统的非线性特点非常明显,且受到多种因素和条件的影响和制约.而神经网络常用于处理非线性和不确定过程,将其应用于故障诊断中的模式识别,是具有实用性的故障诊断方法. 目前神经网络用于故障诊断通常采用单一网络,以故障的时域或频域信号特征作为输入量.但此过程中神经网络存在泛化能力弱以及故障特征不明显等缺点,影响对故障的正确识别.负相关集成学习算法通过增大子网络间的差异性达到提高分类性能的目的,能显著的提高整个分类系统泛化能力.另一方面,轴心轨迹作为旋转机械重要的图形征兆,是旋转机械故障诊断的重要依据.本文的主要工作就是将负相关集成神经网络理论以及轴心轨迹特征提取方法应用到轴承-转子系统的故障诊断中.本文工作如下: 首先将负相关集成学习方法与简单集成方法进行了比较实验,对比分析了集成中子网络间的差异性,讨论了集成结构中相关参数对分类性能等的影响.针对神经网络中隐层节点难于确定的问题,提出了基于负相关学习的自适应调整网络隐层节点数的方法,并进行了比较实验. 其次根据轴心轨迹特点,利用分形理论和图形几何中的有关概念,对轴心轨迹图形进行特征提取,再利用集成神经网络进行故障识别.仿真实验结果表明此方法有较高的识别正确率,有利于故障的智能识别. 最后在多功能轴承-转子实验台上对上述故障诊断方法进行了实验验证.结果表明,将神经网络集成理论以及轴心轨迹特征提取方法应用到轴承转子系统故障诊断中,取得了较为满意的效果,有较高的准确率. 收起<<

  • 【作者】

    薛松 

  • 【学科专业】

    机械电子工程

  • 【授予学位】

    硕士

  • 【授予单位】

    西安交通大学

  • 【导师姓名】

    张优云

  • 【学位年度】

    2008

  • 【语种】

    chi

  • 【关键词】

    负相关集成学习%故障诊断%轴心轨迹%特征提取